[545] 讲透机器学习概率统计，快速打造算法基础核心能力 - 精选案例+实践导向 用Python实现数据模型

网盘链接：

1. 概率统计课程导学

• 1-1 机器学习中的概率统计应用实践-课程导学

2. 统计思维基石：条件概率与独立性

• 2-1 本讲知识概览与导引
• 2-2 从概率到条件概率
• 2-3 条件概率与独立性
• 2-4 从独立到条件独立
• 2-5 全概率公式与贝叶斯基础
• 2-6 本讲小节及小讲预告

3. 聚焦基本元素：深入理解随机变量

• 3-1 本讲知识概览与导引
• 3-2 离散型随机变量及其分布列
• 3-3 二项分布及其PMF函数（含代码实战）
• 3-4 二项分布的采样与数字特征（含代码实战）
• 3-5 几何分布的性质与采样（含代码实战）
• 3-6 泊松分布的性质与采样（含代码实战）
• 3-7 连续型随机变量及其概率密度函数
• 3-8 正态分布的性质与采样（含代码实战）
• 3-9 指数分布的性质与采样（含代码实战）
• 3-10 均匀分布的性质与采样（含代码实战）
• 3-11 本讲小节及小讲预告

4. 从一元到多元：探索多元随机变量

• 4-1 本讲知识概览与导引
• 4-2 多元随机变量的重要分布列
• 4-3 随机变量的独立性与条件独立性
• 4-4 多元随机变量的相关性与协方差矩阵
• 4-5 二元正态分布：从标准到一般（含代码实战）
• 4-6 协方差与相关性的一个小问题（含代码实战）
• 4-7 相关系数的概念和特性（含代码实战）
• 4-8 随机变量独立与相关的概念辨析（含代码实战）
• 4-9 多元高斯分布的参数特征（含代码实战）
• 4-10 二元高斯分布几何特征实证分析（含代码实战）
• 4-11 本讲小节及下讲预告

5. 极限思维：大数定律与蒙特卡罗方法

• 5-1 本讲知识概览与导引
• 5-2 从平均身高问题引入大数定律
• 5-3 大数定律背后的理论支撑
• 5-4 样本均值与随机变量期望的关系（含代码实战）
• 5-5 样本均值的方差与分布（含代码实战）
• 5-6 蒙特卡罗方法的应用背景
• 5-7 用蒙特卡罗方法近似计算圆面积（含代码实战）
• 5-8 中心极限定理的基本概念和工程背景
• 5-9 中心极限定理的模拟与验证（含代码实战）
• 5-10 本讲小结及下讲预告

6. 由静到动：随机过程导引

• 6-1 本讲知识概览与导引
• 6-2 随机过程应用背景概述
• 6-3 博彩中的随机过程（含代码实战）
• 6-4 随机过程模拟：股票价格的总体分布（含代码实战）
• 6-5 股票价格变化过程的展现（含代码实战）
• 6-6 两类重要的随机过程
• 6-7 本讲小结及下讲预告

7. 马尔科夫链（上）：转移与概率

• 7-1 本讲知识概览与导引
• 7-2 离散时间马尔科夫链的三要素
• 7-3 马尔科夫链的基本性质和矩阵表示
• 7-4 多步转移概率的计算
• 7-5 多步转移与概率乘法（含代码实战）
• 7-6 路径概率问题举例
• 7-7 本讲小结及下讲预告

8. 马尔科夫链（下）：极限与稳态

• 8-1 本讲知识概览与导引
• 8-2 马尔可夫过程的两种典型极限状态
• 8-3 马尔可夫链中的常返类和周期性
• 8-4 马尔可夫链的稳态及求法
• 8-5 本讲小结与下讲预告

9. 隐马尔科夫模型（上）：明暗两条线

• 9-1 本讲知识概览与导引
• 9-2 隐马尔科夫模型导引
• 9-3 隐马尔科夫典型案例1：盒子摸球试验
• 9-4 隐马尔科夫典型案例2：小宝宝的日常生活
• 9-5 隐马尔科夫模型的外在特征和内核三要素
• 9-6 齐次马尔可夫性和观测独立性
• 9-7 本讲小结及下讲预告

10. 隐马尔可夫模型（下）：概率估计与状态解码

• 10-1 本讲知识概览与导引
• 10-2 隐马尔可夫模型的两个研究主题
• 10-3 观测序列概率估计直观解法及其问题
• 10-4 用前向概率算法进行概率估计的原理
• 10-5 前向概率算法应用举例
• 10-6 前向概率算法的程序实现（含代码实战）
• 10-7 状态解码问题的描述
• 10-8 维特比算法与最大路径概率
• 10-9 用维特比算法进行状态解码的理论基础
• 10-10 盒子摸球案例中的状态解码实战
• 10-11 维特比算法的程序实现（含代码实战）
• 10-12 本讲小结及下讲预告

11. 推断未知：统计推断的基本框架

• 11-1 本讲知识概览与导引
• 11-2 统计推断的一个引例
• 11-3 总体、样本与统计量
• 11-4 估计误差与无偏估计（含代码实战）
• 11-5 总体方差估计与有偏性（含代码实战）
• 11-6 本讲小结及下讲预告

12. 探寻最大可能：极大似然估计法

• 12-1 本讲知识概览与导引
• 12-2 极大似然估计法的引例（含代码实战）
• 12-3 似然函数的由来-
• 12-4 扩展到连续型的似然函数
• 12-5 极大似然估计的思想
• 12-6 极大似然估计的计算方法
• 12-7 单参数极大似然估计案例
• 12-8 多参数极大似然估计案例
• 12-9 本讲小结及下讲预告

13. 贝叶斯统计推断：最大后验

• 13-1 本讲知识概览与导引
• 13-2 贝叶斯定理的回顾
• 13-3 贝叶斯推断的理论过程
• 13-4 贝叶斯推断实战-选取先验分布（含代码实战）
• 13-5 贝叶斯推断实战-选择观测数据的分布（含代码实战）
• 13-6 贝叶斯推断实战-计算后验分布
• 13-7 贝叶斯推断全过程模拟验证（含代码实战）
• 13-8 关于共轭先验的问题
• 13-9 本讲小结及下讲预告

14. 近似推断的思想和方法

• 14-1 本讲知识概览与导引
• 14-2 统计推断的场景与关注重点
• 14-3 精确推断与近似推断的概念
• 14-4 随机近似方法的理论基础
• 14-5 接受-拒绝采样的基本方法
• 14-6 接受-拒绝采样中建议分布及参数选取（含代码实战）
• 14-7 接受-拒绝采样过程实践（含代码实战）
• 14-8 接受-拒绝采样的方法内涵分析
• 14-9 重要性采样的方法介绍
• 14-10 两类采样方法的问题与思考
• 14-11 本讲小结及下讲预告

15. 助力近似采样：基于马尔科夫链的采样过程

• 15-1 本讲知识概览与导引
• 15-2 马尔科夫链重点内容回顾
• 15-3 马尔科夫链平稳分布的理解
• 15-4 马尔科夫链进入稳态的过程演示（含代码实战）
• 15-5 稳态过程的再剖析与意义分析
• 15-6 基于马尔科夫链的采样过程
• 15-7 基于马尔科夫链的采样过程实践（含代码实战）
• 15-8 一个显而易见的难题
• 15-9 本讲小结及下讲预告

16. 马尔科夫链-蒙特卡洛方法详解

• 16-1 本讲知识概览与导引
• 16-2 问题的目标与细致平稳条件
• 16-3 Metropolis-Hastings方法的基本思路
• 16-4 M-H方法中的随机游走与接受因子
• 16-5 M-H方法中建议矩阵Q的选取
• 16-6 M-H方法的实践（含代码实战）
• 16-7 本讲小结